手把手教你对文本文件进行分词、词频统计和可视化(附源码)
大家好!我是Python进阶者。 前言 前几天一个在校大学生问了一些关于词频、分词和可视化方面的问题,结合爬虫,确实可以做点东西出来,可以玩玩,还是蛮不错的,这里整理成一篇文章,分享给大家。 本文主要涉及的库有爬虫库requests、词频统计库collections、数据处理库numpy、结巴分词库jieba 、可视化库pyecharts等等。 一、数据来源 关于数据方面,这里直接是从新闻平台上进行获取的文本信息,其实这个文本文件可以拓展开来,你可以自定义文本,也可以是报告,商业报告,政治报告等,也可以是新闻平台,也可以是论文,也可以是微博热评,也可以是网易云音乐热评等等,只要涉及到大量文本的手把,都可月引用本文的代码,进行词频分词、统计、可视化等。 二、数据获取 数据获取十分简单,一个简单的爬虫和存储就可以搞定,这里以一篇新闻为例进行演示,代码如下: import re import collections # 词频统计库 import numpy as np # numpy数据处理库 import jieba # 结巴分词 import requests from bs4&nbs手教p;import BeautifulSoup from pyecharts import options as opts from pyecharts.charts import WordCloud from pyecharts.globals import SymbolType import warnings warnings.filterwarnings('ignore') 你对r=requests.get("https://m.thepaper.cn/baijiahao_11694997",timeout=10) r.encoding="utf-8" s=BeautifulSoup(r.text,"html.parser") f=open("报告.txt","w",encoding="utf-8") L=s.find_all("p") for c in L: f.write("{} ".format(c.text)) &n文本bsp; f.close() 代码运行之后,在本地会得到一个【报告.txt】文件,文件内容就是网站上的文本信息。如果你想获取其他网站上的文本,需要更改下链接和提取规则。 三、词频统计 接下来就是词频统计了,代码如下所示。 # 读取文件 fn = open("./报告.txt","r",encoding="utf-8") string_data = fn.read() fn.close() # 文本预处理 # 定义正则表达式匹配模文件式 pattern = re.compile(u' |,|/|。| |.|-|:|;|)|(|?|"') string_data = re.sub(pattern,'',string_data) # 将符合模式的字符去除 # 文本分词 # 精确模式分词 seg_list_exact = jieba.cut(string_data,cut_all=False) object_list =&nbs进行p;[] # 自定义去除词库 remove_words = [u'的',u'Ҫ', u'“',u'”',u'和',u',',u'Ϊ',u'是', '以' u'随着', u'对于', u'对',u'等',u'能',u'都',u'。', 分词 u' ',u'、',u'中',u'在',u'了',u'通常',u'如果',u'我', u'她',u'(',u')',u'他',u'你',u'?',u'—',u'就', &n、词bsp; u'着',u'˵',u'上',u'这', u'那',u'有', u'Ҳ', u'ʲô', u'·', u'将', u'没有', u'到', u'不', u'ȥ'] for word&nbs频统p;in seg_list_exact: if word not in remove_words: object_list.append(word) # 词频统计 # 对分词做词频统计 word_counts = collections.Counter(object_list) # 获计和取前30最高频的词 word_counts_all = word_counts.most_common() word_counts_top30 = word_counts.most_common(30) print("2021年政府工作报告一共有%d个词"%len(word_counts)) print(word_counts_top30) 首先读取文本信息,之后对文本进行预处理,提取文字信息,并且可以自定义词库,作为停用词,之后将获取到的词频做词频统计,获取前30最高频的词,并进行打印,输出可视结果如下图所示。 四、可视化 接下来就是可视化部分了,这里直接上代码,如下所示。 import pyecharts from pyecharts.charts import Line from pyecharts import options as opts # 示例数据 cate = [i[0] for i in word_counts_top30] data1 =&nbs化(p;[i[1] for i in word_counts_top30] line = (Line() .add_xaxis(cate) .add_yaxis('词频', data1, 附源 markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")])) .set_global_opts(title_opts=opts.TitleOpts(title="词频统计Top30", subtitle=""), xax码)is_opts=opts.AxisOpts(name_rotate=60,axislabel_opts={"rotate":45})) ) line.render_notebook() 输出结果是一个线图,看上去还不错。 五、总结 本文基于Python网络爬虫获取到的文本文件,通过词频、分词和可视化等处理,完成一个较为简单的项目,欢迎大家积极尝试。在代码实现过程中,如果有遇到任何问题,请加我好友,我帮助解决哦!
- 最近发表
- 随机阅读
-
- 微软第二财季营收517亿美元 云相关业务贡献超过三分之一
- 云计算开发:Python练习实例-for循环输出
- Meta 与 UCSD 推出 DeepConf:AI 推理准确率达 99.9%,计算成本降低 85%
- 手抄报关于秋天
- 华为与浙大携手发布 DeepSeek-R1-Safe 大模型:AI安全与性能完美平衡
- 标签: 迪哲医药 舒沃替尼 戈利昔替尼 NSCLC
- 如何选择容器注册表,这里给出九个选项 译文
- 聊聊关于常用数据类型一二三
- 标签: 铠侠 NAND闪存 QLC SSD BiCS10
- 标签: 精锋医疗 港股上市 腾讯投资 医疗科技
- 标签: 软银 英伟达 孙正义 AI泡沫
- 谷歌AI摘要功能惹大祸!知名媒体集团起诉垄断巨头"偷内容毁生意"
- 英伟达拟向AI初创公司Poolside投资10亿美元,估值飙升至120亿
- 写给初学者,长文阐述大数据学习与面试
- 携程商旅发布AI生态全景图:推出7大行业Agent并开放17项底层能力
- 搜索算法,一触即达:GitHub上有个规模最大的开源算法库
- 标签: SBTI 人格测试
- 颠覆百年制药规则!美国双名校联手打造PepMLM:仅凭序列就能造药,63%命中率震撼医学界
- GPT-5限时5折来袭!OpenRouter一周狂欢,开发者速抢
- 亚马逊与OpenAI达成380亿美元协议
- 搜索
-
- 友情链接